Человек + машина - читать онлайн книгу. Автор: Пол Догерти, Джеймс Уилсон cтр.№ 17

Страница

Победил бот Mayhem, созданный в рамках проекта ForAllSecure Университета Карнеги — Меллон. Он выиграл, используя тактику, разработанную на основе теории игр. В сущности, он искал бреши в собственной системе безопасности, после чего проводил анализ рентабельности, решая, следует ли немедленно устранить эти уязвимости (для этого системе требовалось ненадолго отключиться от сети). Если атака казалась маловероятной, программа могла дольше проработать онлайн, используя слабости других систем.

У ботов, участвовавших в соревновании, имелись баги, свидетельствовавшие о том, что программы были недоработаны, однако эксперты сошлись во мнении, что системы действовали впечатляюще; в некоторых случаях им удалось найти и исправить заранее внедренные баги быстрее, чем это сделал человек. Все это указывает на формирование мира автоматизированного хакерства, в котором роль человека принципиально изменится: он будет обучать ботов или контролировать их поведение с целью предотвратить нарушения правовых или этических норм.

Компания Darktrace предлагает продукт Antigena, смоделированный по образцу иммунной системы человека, идентифицирующий и нейтрализующий баги по мере их появления ^[42]. Поведенческий анализ сетевого трафика — ключевой метод компании Vectra. Ее программа, оснащенная искусственным интеллектом, изучает характеристики вредоносных активностей в Сети и способна автоматически принимать меры к подавлению атаки или делегировать проблему команде экспертов по безопасности ^[43].

Технологии искусственного интеллекта позволяют надеяться, что многие рутинные и однообразные задачи можно будет перепоручить программам-роботам, что позволит сотрудникам получать от работы больше удовлетворения. Это и есть «недостающая середина» симбиотического взаимодействия человека и машины. Именно из нее — а не из автоматизации — компании смогут извлечь максимальную выгоду, инвестируя в передовые цифровые технологии.

В этой главе мы упоминали еще об одном элементе MELDS — лидерстве на примере международного банка, сумевшего трансформировать процессы противодействия отмыванию денег при помощи алгоритмов машинного обучения. Сократилось число ложноположительных результатов, а эксперты-люди получили возможность сосредоточиться на наиболее сложных случаях. Бизнес-процессы такого рода в значительной степени опираются на качественные данные, и многие компании открыли для себя, насколько важно собирать данные сразу из нескольких источников. Ранее Virgin Trains удавалось обрабатывать жалобы, поступающие только через сайт, но теперь компания инвестировала в данные — еще один элемент MELDS — и смогла запустить приложение для обработки естественного языка, позволяющее принимать клиентские обращения через множество каналов, в том числе через социальные сети. По мере внедрения таких систем сотрудникам придется корректировать свой подход к работе, а компаниям — выделять ресурсы на освоение новых навыков (skills), еще одного элемента MELDS. На примере Gigster мы увидели, как интеллектуальные помощники могут связать разработчика с другими специалистами, уже сталкивавшимися с подобной проблемой; следовательно, на первый план выйдет умение сотрудников взаимодействовать. Другой урок этой главы — на заполнение недостающей середины требуется время. Так, при переходе от RPA к более продвинутому искусственному интеллекту компаниям не обойтись без экспериментирования. Шведский банк SEB уделил должное внимание экспериментированию (еще один элемент MELDS), организовав масштабное тестирование своего виртуального помощника Aida на пятнадцати тысячах сотрудников, прежде чем предложить систему миллиону клиентов. Наконец, мы убедились в важности надлежащего мышления на примере сферы IT-безопасности, оценив преобразующий потенциал искусственного интеллекта, который позволил трансформировать всю индустрию с помощью автоматизированных систем, обеспечивающих упреждающее решение проблем.

В главе 3 мы поговорим о том, как можно распространить эту «среднюю зону» на НИОКР. Здесь, как и в цеху, и в офисе, находчивые компании пожинают плоды умного, взаимодополняющего сотрудничества человека и машины.

Рис. 2. Совокупность технологий искусственного интеллекта и их прикладных решений для бизнеса

Машинное обучение

Машинное обучение. Область компьютерных наук, занимающаяся алгоритмами, которые самостоятельно обучаются и прогнозируют ситуацию на основе имеющихся данных, не требуя вмешательства программиста. Родоначальником этих исследований является Артур Сэмюэл из IBM, предложивший в 1959 году этот термин и использовавший принципы машинного обучения в исследованиях компьютерных игр. Благодаря резкому росту объема доступных данных, необходимых этим алгоритмам для обучения, сегодня МО применяется в таких разных областях, как исследования на основе компьютерного зрения, выявление мошенничества, прогнозирование цен, обработка естественного языка и пр.

Обучение с учителем. Это тип машинного обучения, где алгоритму даются заранее классифицированные и отсортированные данные (их называют «размеченными»), состоящие из примеров вводимых данных и желаемых результатов их обработки. Цель алгоритма — усвоить общие правила, связывающие вводимые данные и получаемые результаты, и на основе этих правил прогнозировать события, имея в распоряжении только входные данные.

Обучение без учителя. Обучающий алгоритм не включает никаких классификаций и меток, машина сама определяет структуру и взаимосвязи входных данных. Само по себе обучение без учителя может быть как целью (обнаружение скрытых закономерностей), так и средством (извлечение признаков из массива данных). Обучение без учителя менее сфокусировано на результатах, нежели обучение с учителем, зато в большей степени ориентировано на исследование входных данных и распознавание структуры неразмеченных данных.

Страница